داک دی بی گفته که توی شمردن خط های یه فایل CSV از دستور یونیکسی wc -l بهتر عمل میکنه.

برای یه فایل 3 گیگی 2 برابر بهتر عمل کرده.

🐧 @Linuxor

🔵 عنوان مقاله
Porcupine 1.0: A Fast Linearizability Checker

🟢 خلاصه مقاله:
مقاله‌ درباره استفاده از ابزاری به نام Porcupine برای بررسی خواص هم‌خط‌سازی در سیستم‌های هم‌زمان است که به زبان برنامه‌نویسی Go نوشته شده‌اند. در این روش، ابتدا یک مشخصه برای سیستم نوشته می‌شود. سپس، تاریخچه‌ای از عملیات‌ها که به صورت همزمان اجرا شده‌اند، ارائه می‌گردد. Porcupine آن تاریخچه را به کمک مشخصه تحلیل می‌کند تا تشخیص دهد آیا تاریخچه می‌تواند به شکل خطی بازآفرینی شود یا خیر. این فرایند برای تضمین اینکه سیستم به درستی در شرایط همزمانی کار می‌کند بسیار مهم است. ابزار Porcupine با استفاده از مفاهیم پیچیده‌ای چون خطی‌سازی به توسعه‌دهندگان کمک می‌کند تا مطمئن شوند عملیات‌های موازی در نهایت نتایج منطقی و مطابق با مشخصات انتظاری تولید می‌کنند. این مقاله همچنین به وبلاگی از سال ۲۰۱۷ استناد می‌کند که توضیحات بیشتری درباره Porcupine ارائه داده است.

🟣لینک مقاله:
https://golangweekly.com/link/162732/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

🟢 اگر کارفرما هستید و به دنبال نیروهای متخصص در حوزه‌های زیر می‌گردید، آگهی شغلی خود را برای ما ارسال کنید. و ما توی چنل های مرتبط به هر حوزه ای قرار میدیم

تخصص های همچون:
🔥 linux
🔥 devops
🔥 golang
🔥 blockchain
🔥 database


🟢 اگر کارجو هستید، رزومه خود را مطابق فرمت زیر برای ما ارسال کنید:

🤝موارد زیر را به همراه فایل pdf رزومه بفرستید:

🎯نام و نام خانوادگی (اجباری)
🎯مدت سابقه کار (اجباری)
🎯لینکدین (اختیاری)
🎯گیتهاب (اختیاری)
🎯محل سکونت  (اجباری)
🎯امکان نقل مکان برای کار دارم یا خیر (اجباری)


🕊Admin:
@mrbardia72

✅دربین Python Node Editor ها Nodezator امکانات قوی داره.

نود ادیتور ها با اتصال توابع پایتون به صورت visual کار می کنند تا رفتار پارامتری / داده / برنامه ها / قطعه های انعطاف پذیر تولید کنند.این ابزارها به شما امکان سازماندهی و کار با کدهای Python قابل استفاده مجدد را در یک شبکه پویا می دهد. رابط کاربری گرافیکی بصری و رویکرد ماژولار آن می تواند روند توسعه پایتون شما را ساده تر کند.

✳️ نصب :

pip install --upgrade nodezator

🗓 دیدن این فیلم در یوتیوب میتواند درک ابزار را بهتر و قدرت آن را بهتر نمایش دهد

ابزار های مشابه :
https://github.com/bhowiebkr/python-node-editor
https://github.com/hoffstadt/DearPyGui/
https://github.com/GafferHQ/gaffer
https://pypi.org/project/nodeeditor/

⁉️ اگر سوالی داشتید در بخش کامنت ها بپرسید

#python

🔥با specfy تشخیص بیشتر از ۵۰۰ تِکنولوژی مورد استفاده در ریپازیتوری (repository)

✅شامل : شناسایی زبان برنامه نویسی،SaaS ، زیرساخت ، وابستگی ها و سرویس ها

💠 کاربرد :
✅ دانش برای کل تیم متمرکز و تصمیم‌گیری‌های پر‌تأثیر را سریع‌تر و قابل اعتمادتر میکنه .

✅ زیرساخت، CI، استک فنی، ابزارها و جریان داده را به طور خودکار مستند میکنه. دیگر نیازی به نوشتن مستندات یا رسم دستی نمودار نیست.
و...

⁉️ اگر سوالی داشتید در بخش کامنت ها بپرسید
#devops

اجزای سیستم فایل در لینوکس

نمایی از ساختار سیستم فایل در لینوکس

بدون شرح

موقعی که دارین از روی آموزش ها یاد می‌گیرین نمی‌دونین چقدرش بدردتون قراره بخوره

ولی وقتی شروع به ساختن می‌کنین 100 درصد چیزی که یاد می‌گیرین به دردتون می‌خوره.


🐧 @Linuxor

این هم آنلاک شد.

اداره کشور توسط هوش مصنوعی


@SohrabContents

تصویر کمتر دیده شده از گوشی دکتر پزشکیان


@SohrabContents

🧵 ـGenerator ها در جنگو؛ یه ابزار خاص برای بهینه‌سازی کدها

اگه با پایتون آشنا باشی، احتمالاً می‌دونی که generator ها توی صرفه‌جویی حافظه و تولید داده به صورت lazy خیلی کاربرد دارن. اما این ابزار توی جنگو چطوری استفاده می‌شه؟ چجوری می‌تونیم ازشون بیشترین بهره رو ببریم؟ بیا با هم بررسی کنیم.

💡 ـGenerator چیه؟
ـGenerator یه نوع iterator خاصه که وقتی نیاز داری داده تولید می‌کنه، نه اینکه کل داده رو یه‌جا توی حافظه نگه داره. توی جنگو این ابزار وقتی مفید می‌شه که بخوای با داده‌های بزرگ کار کنی.

مثلاً:
◀️ کار با QuerySetهای سنگین
◀️ پردازش Streamهای داده‌ای
◀️ تولید گزارش‌های حجیم

🏗 چرا توی جنگو به generator نیاز داریم؟

تصور کن یه جدول دیتابیس با میلیون‌ها رکورد داری و باید اطلاعات رو به مرور پردازش کنی. اگه همه رکوردها رو یه‌جا لود کنی، سرور به احتمال زیاد می‌ترکه. اینجا generator ها به دادت می‌رسن. Lazy Evaluation یعنی فقط همون چیزی که نیاز داری رو تولید کن و حافظه رو با چیزای اضافی پر نکن.

✍ استفاده از generator توی QuerySet

ـQuerySetهای جنگو به صورت پیش‌فرض lazy هستن. این یعنی تا وقتی که واقعاً نیاز نباشه، کوئری به دیتابیس نمی‌زنه. ولی می‌تونی این فرآیند رو با generatorها بهینه‌تر کنی.

مثال:

from django.db.models import QuerySet  

def get_large_data(queryset: QuerySet):  
    for obj in queryset.iterator():  
        yield process_object(obj)  
        
def process_object(obj):  
    # پردازش رکورد  
    return obj  

اینجا از متد iterator() استفاده کردیم که یه generator می‌سازه و باعث می‌شه کوئری به صورت chunk به chunk پردازش بشه.

🌊 ـStream کردن داده‌ها با generator
اگه بخوای یه فایل CSV بزرگ برای دانلود بسازی، generator یه ابزار طلاییه.
مثال:

import csv  
from django.http import StreamingHttpResponse  

def stream_csv(queryset):  
    def generate():  
        yield ['Header1', 'Header2', 'Header3']  
        for obj in queryset.iterator():  
            yield [obj.field1, obj.field2, obj.field3]  

    response = StreamingHttpResponse(generate_csv(generate()), content_type='text/csv')  
    response['Content-Disposition'] = 'attachment; filename="data.csv"'  
    return response  

def generate_csv(generator):  
    for row in generator():  
        yield ','.join(str(cell) for cell in row) + '\n'  

اینجا به جای ساختن کل CSV توی حافظه، داده‌ها رو به صورت real-time تولید می‌کنیم.

🔸 نکات مهم

ـAvoid Overuse

اگه حجم داده‌ها خیلی کم باشه، استفاده از generator صرفاً پیچیدگی کد رو زیاد می‌کنه.

ـCombine with Chunking

اگه با دیتابیس‌های بزرگ کار می‌کنی، استفاده از generator به همراه متدهایی مثل iterator() یا chunked() توی QuerySet می‌تونه حسابی عملکرد رو بهینه کنه.

ـError Handling

حواست باشه که generatorها وقتی یه خطا پیش بیاد، از ادامه کار متوقف می‌شن. اگه نیاز داری عملیاتت ادامه پیدا کنه، باید exceptionها رو مدیریت کنی.

ـPipeline-like Processing

توی پروژه‌های پیچیده‌تر می‌تونی generatorها رو به هم chain کنی و مثل یه pipeline داده‌ها رو پردازش کنی.

جمع‌بندی ✍
ـgeneratorها یه ابزار قدرتمند برای مدیریت منابع هستن، به شرطی که بدونی کجا و چطوری ازشون استفاده کنی. مخصوصاً توی پروژه‌های سنگین جنگو که حجم داده‌ها خیلی زیاده، این ابزار می‌تونه یه برگ برنده باشه.

امید وارم مفید بوده باشه :) ❤️

#django #برنامه_نویسی #پایتون

🔆 CHANNEL | GROUP

🔵 عنوان مقاله
gh-dash 4.7: A CLI-Based Dashboard for GitHub

🟢 خلاصه مقاله:
در نبود متن کامل مقاله و فقط با اتکا به شرح کوتاهی که ارائه شده، می‌توان خلاصه‌ای از محتوای آن را به شرح زیر ارائه داد:

این مقاله به بررسی برنامه کاربردی با واسط کاربری متنی (TUI) پرداخته است که به منظور نمایش داشبوردی از درخواست‌های کششی (Pull Requests) و مسائل (Issues) طراحی شده است. این برنامه اجازه می‌دهد که کاربران محتوای نمایش داده شده را براساس فیلترهای دلخواه خود تنظیم کنند. در نتیجه، کاربران می‌توانند با استفاده از این ابزار به راحتی وضعیت پروژه‌ها و وظایف مرتبط با توسعه نرم‌افزار را مدیریت و پیگیری کنند. این برنامه مخصوصاً برای توسعه‌دهندگانی که به دنبال راه‌کاری ساده و مؤثر برای پیگیری پیشرفت کارها هستند، بسیار مفید است. برنامه با محیط کاربری متنی کاربردی خود، یک راه حل عملی و کارآمد برای مرور و مدیریت درخواست‌های کششی و مسائل مختلف ارائه می‌دهد.

🟣لینک مقاله:
https://golangweekly.com/link/161350/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

یه مجموعه جالب از قوانین طراحی UX

این قوانین UX رو هر طراح UI/UX در حین طراحی محصولات باید بدونه


🐧 @Linuxor

🔶 طبق گزارش CNN, رئیس‌جمهور کره جنوبی اعلام حکومت نظامی کرده است و گفته عناصر کره شمالی تو کشور نفوذ کردند و در حزب حاکم زیاد شدند و هر لحظه ممکنه کودتا کنند . یون سوک یئول گفته که حکومت نظامی اعلام کردم که کشور آزاد بسازم!

#خبر

@TheRaymondDev

صفحه برنامه‌های جامعه به سایت پارچ اضافه شد.


🔗 https://parchlinux.com/community


@ParchLinux